🔬 optics

Efficient imaging of quantum emitters using compressive sensing

यह शोधपत्र एक कम्प्रेसिव सेंसिंग-आधारित इमेजिंग तकनीक का प्रदर्शन करता है जो रैंडम बाइनरी एक्साइटेशन पैटर्न और GPSR-BB पुनर्निर्माण का उपयोग करके विरल क्वांटम उत्सर्जकों, जैसे कि डायमंड में NV केंद्रों, की कुशलतापूर्वक इमेजिंग करता है, जिससे पारंपरिक रस्टर स्कैनिंग द्वारा आवश्यक मापों के केवल 20% के साथ उच्च-फिडेलिटी तीव्रता और $g^{(2)}(0)$ मानचित्र प्राप्त होते हैं।

मूल लेखक: Sonali Gupta, Kiran Bajar, Alexander McFarland, Amit Kumar, Subhas Manna, Sushil Mujumdar

प्रकाशित 2026-04-14

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Sonali Gupta, Kiran Bajar, Alexander McFarland, Amit Kumar, Subhas Manna, Sushil Mujumdar

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक अंधेरे कमरे की तस्वीर लेने की कोशिश कर रहे हैं जहाँ केवल कुछ जुगनू टिमटिमा रहे हैं।

पुराना तरीका (रास्टर स्कैनिंग):
पारंपरिक रूप से, इन जुगनुओं को देखने के लिए, आप एक बहुत ही संकीर्ण टॉर्च का उपयोग करेंगे। आप एक बहुत छोटे बिंदु पर रोशनी डालेंगे, देखेंगे कि क्या वहाँ कोई जुगनू है, फिर अपनी टॉर्च को अगले स्थान पर ले जाएंगे, और फिर अगले पर, और फिर अगले पर। आपको कमरे के हर एक इंच की जाँच करनी होगी, यहाँ तक कि उन खाली कोनों की भी जहाँ कोई जुगनू मौजूद नहीं है।

समस्या: इसमें बहुत समय लगता है। यदि कमरा बहुत बड़ा है या जुगनू बहुत धुंधले हैं (देखने में कठिन हैं), तो आप तस्वीर पूरी करने से पहले ही अपनी बैटरी (फोटोन) या समय समाप्त कर सकते हैं। यह एक लेजर पॉइंटर को एक बार में एक अक्षर पर चमकाकर किताब पढ़ने जैसा है।

नया तरीका (कंप्रेसिव सेंसिंग):
शोधकर्ताओं ने एक चतुर शॉर्टकट निकाला है। एक संकीर्ण टॉर्च के बजाय, वे एक "स्मार्ट प्रोजेटर" (जिसे डिजिटल माइक्रोमिरर डिवाइस या DMD कहा जाता है) का उपयोग करते हैं जो पूरे कमरे में एक साथ प्रकाश के जटिल, यादृच्छिक (random) पैटर्न प्रोजेक्ट कर सकता है।

इसे इस तरह समझें:

पैटर्न: एक जगह चेक करने के बजाय, आप प्रकाश का एक पैटर्न फ्लैश करते हैं जो एक यादृच्छिक भूलभुलैया या चेकरबोर्ड जैसा दिखता है। कमरे के कुछ हिस्से रोशन होते हैं, जबकि अन्य अंधेरे होते हैं।
"एक-पिक्सेल" वाली आँख: आप लाखों पिक्सेल वाला कैमरा इस्तेमाल नहीं करते हैं। इसके बजाय, आप एक अत्यंत संवेदनशील "कान" (डिटेक्टर) का उपयोग करते हैं, जो बस पूरे कमरे से आने वाली कुल रोशनी की मात्रा को सुनता है।
पहेली: आप इसे कई बार करते हैं, लेकिन हर बार अलग-अलग यादृच्छिक पैटर्न के साथ।
- पैटर्न A: बाईं ओर रोशनी करता है। डिटेक्टर एक "बीप" (प्रकाश) सुनता है।
- पैटर्न B: दाईं ओर रोशनी करता है। डिटेक्टर सन्नाटा सुनता है।
- पैटर्न C: बीच में रोशनी करता है। डिटेक्टर एक तेज़ "बीप" सुनता है।

भले ही आपने कभी सीधे जुगनुओं को नहीं देखा, फिर भी कंप्यूटर अब एक विशाल पहेली को हल कर सकता है। क्योंकि वह जानता है कि जुगनू स्पार्स (sparse) हैं (एक विशाल कमरे में केवल कुछ ही हैं), वह गणितीय रूप से यह पता लगा सकता है कि वे वास्तव में कहाँ हैं, इस आधार पर कि किन पैटर्नों ने डिटेक्टर को "गाने" पर मजबूर किया।

जादुई परिणाम:
यह शोध पत्र दिखाता है कि आपको हर एक जगह की जाँच करने की आवश्यकता नहीं है। इस "यादृच्छिक पैटर्न" विधि का उपयोग करके, वे केवल 20% डेटा के साथ जुगनुओं की एक सटीक तस्वीर बनाने में सक्षम रहे, जो कि पुराने तरीके की आवश्यकता होती।

उपमा: यह एक जाल फेंककर एक बिखरे हुए जंगल के लेआउट का अनुमान लगाने जैसा है और यह देखना कि पेड़ कहाँ फंसते हैं, बजाय इसके कि हर एक कदम चलकर पेड़ों को गिना जाए।

"सुपर" अपग्रेड (एकल जुगनुओं को खोजना):
शोधकर्ताओं ने केवल यह खोजने तक ही सीमित नहीं रहे कि जुगनू कहाँ हैं; वे यह भी जानना चाहते थे कि जुगनू किस प्रकार के हैं। कुछ जुगनू एक-एक करके टिमटिमाते हैं (सिंगल फोटोन), जबकि अन्य समूहों में टिमटिमाते हैं।

चुनौती: आमतौर पर, उन्हें एक-दूसरे से अलग करने के लिए, आपको यह मापना होता है कि उनकी चमक एक-दूसरे के साथ कैसे संबंधित (correlate) है, जो केवल तस्वीर लेने से भी अधिक धीमा है।
समाधान: उन्होंने सहसंबंध (correlation) माप के लिए भी इसी "यादृच्छिक पैटर्न" वाले तरीके को लागू किया। उन्होंने यह सिद्ध किया कि बहुत कम डेटा के साथ भी, वे यह पहचानने में सक्षम थे कि कौन से जुगनू "सिंगल ब्लिपर" (सिंगल-फोटोन उत्सर्जक) हैं, जो कि एक विशिष्ट "एंटी-बंचिंग" सिग्नेचर (टिमटिमाने का एक तरीका जो यह साबित करता है कि केवल एक ही स्रोत है) को देखकर पता चलता है।

यह क्यों महत्वपूर्ण है:

गति: आप 5 गुना तेज़ी से तस्वीर प्राप्त करते हैं।
दक्षता: आप खाली स्थानों की जाँच करने में ऊर्जा बर्बाद नहीं करते हैं।
बहुमुखी प्रतिभा: यह किसी भी "स्पार्स" सिस्टम के लिए काम करता है, न कि केवल डायमंड डिफेक्ट्स के लिए। यह क्वांटम दुनिया को देखने का एक नया तरीका है जो तेज़, सस्ता और उपकरणों के लिए कम थकाऊ है।

संक्षेप में:
एक-एक ईंट करके कमरे को स्कैन करने के बजाय, यह विधि प्रकाश के यादृच्छिक पैटर्न फ्लैश करती है और एक स्मार्ट कंप्यूटर छाया और हाइलाइट्स से छवि को पुनर्गठित करता है, जिससे 80% समय और प्रयास की बचत होती है और फिर भी सब कुछ स्पष्ट रूप से दिखाई देता है।

यहाँ शोध लेख "Efficient imaging of quantum emitters using compressive sensing" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम उत्सर्जकों (जैसे डायमंड में नाइट्रोजन-वैकेंसी सेंटर) की पारंपरिक ऑप्टिकल इमेजिंग आमतौर पर पॉइंट-बाय-पॉइंट रास्टर स्कैनिंग के साथ कॉन्फोकल माइक्रोस्कोपी पर निर्भर करती है। जबकि यह विधि उच्च स्थानिक रिज़ॉल्यूशन (spatial resolution) प्रदान करती है, यह दो महत्वपूर्ण अक्षमताओं से ग्रस्त है:

समय लेने वाली (Time-Consuming): प्रत्येक पिक्सेल के क्रमिक उत्तेजन (sequential excitation) के परिणामस्वरूप अधिग्रहण समय लंबा हो जाता है, विशेष रूप से बड़े फील्ड ऑफ व्यू (field of view) के लिए।
फोटॉन अक्षमता (Photon Inefficiency): विरल प्रणालियों (sparse systems) में (जहाँ उत्सर्जक फील्ड ऑफ व्यू के केवल एक छोटे हिस्से में होते हैं), अधिकांश मापन समय और फोटॉन बजट खाली क्षेत्रों पर व्यर्थ हो जाता है।
सीमाएँ (Limitations): ये अक्षमताएँ कमजोर उत्सर्जकों, बड़े क्षेत्रों, या फोटॉन-सीमित नमूनों की इमेजिंग करने की क्षमता को प्रतिबंधित करती हैं, जो क्वांटम फोटोनिक्स और नैनोस्केल सेंसिंग में आम हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक कंप्रेसिव सेंसिंग (CS) ढांचे का प्रस्ताव करते हैं जो रास्टर स्कैनिंग को स्थानिक रूप से संरचित वाइड-फील्ड उत्तेजन (spatially structured wide-field excitation) से बदल देता है।

हार्डवेयर सेटअप:
- उत्तेजन (Excitation): एक 532 nm निरंतर-तरंग (continuous-wave) लेजर एक डिजिटल माइक्रोमिरर डिवाइस (DMD) को प्रकाशित करता है। DMD नमूने पर यादृच्छिक बाइनरी मास्क (चमकदार और अंधेरे पिक्सेल के पैटर्न) का एक अनुक्रम प्रोजेक्ट करता है।
- ऑप्टिक्स: एक $4f$ इमेजिंग सिस्टम DMD पैटर्न को ~100x के डिमैग्निफिकेशन कारक के साथ नमूना तल (sample plane) तक पहुँचाता है, जिससे ~60 $\mu$ m का इल्यूमिनेशन क्षेत्र बनता है।
- डिटेक्शन: प्रतिदीप्ति (fluorescence) को एक हाई-NA ऑब्जेक्टिव के माध्यम से एकत्र किया जाता है, जिसे मल्टीमोड फाइबर में जोड़ा जाता है, और एक सिंगल-फोटॉन एवलांच डायोड (SPAD) द्वारा पता लगाया जाता है। सहसंबंध मापों (correlation measurements) के लिए, पथ दो भुजाओं में विभाजित होता है जिसमें दो SPAD और एक टाइम-टैगर होता है।
गणितीय ढांचा (Mathematical Framework):
- विरलता धारणा (Sparsity Assumption): छवि $X$ को कैनोनिकल पिक्सेल बेसिस में विरल (sparse) माना जाता है (अर्थात अधिकांश पिक्सेल शून्य हैं)।
- मापन मॉडल: व्यक्तिगत पिक्सेल को मापने के बजाय, प्रणाली $M$ रैखिक माप ( $y = \Phi x + n$ ) प्राप्त करती है, जहाँ प्रत्येक माप एक विशिष्ट DMD मास्क के अनुरूप कुल एकीकृत प्रतिदीप्ति (total integrated fluorescence) है।
- पुनर्निर्माण एल्गोरिदम (Reconstruction Algorithm): विरल गुणांक वेक्टर को $\ell_1$ -रेगुलराइज्ड लीस्ट-स्क्वायर समस्या को हल करके पुनर्निर्मित किया जाता है:
  $\hat{s} = \arg \min_s \frac{1}{2} \|y - As\|_2^2 + \tau \|s\|_1$
  इसे GPSR-BB (Barzilai–Borwein स्टेप साइज के साथ ग्रेडिएंट प्रोजेक्शन फॉर स्पार्स रिकंस्ट्रक्शन) एल्गोरिदम का उपयोग करके हल किया जाता है।
सहसंबंध इमेजिंग ( $g^{(2)}(0)$ ) में विस्तार:
- लेखक $g^{(2)}(0)$ के स्थानिक मानचित्रों के पुनर्निर्माण के लिए CS ढांचे का विस्तार करते हैं, जो सिंगल-फोटॉन उत्सर्जकों (एंटीबंचिंग) की पहचान करता है।
- चूंकि $g^{(2)}(0)$ गैर-रेखीय (non-linear) है, वे एक संशोधित रैखिक फॉरवर्ड मॉडल व्युत्पन्न करते हैं: $y_k = [1 - g^{(2)}_{tot, k}(0)] (I_{tot, k})^2 = \sum A_{k,i} [1 - g^{(2)}_i(0)] I_i^2$ ।
- यह एक दो-चरणीय प्रक्रिया में $g^{(2)}(0)$ मानचित्र के पुनर्निर्माण की अनुमति देता है: पहले तीव्रता मानचित्र (intensity map) का पुनर्निर्माण करना, फिर इसका उपयोग करके सहसंबंध मानचित्र (correlation map) को पुनः प्राप्त करना।

3. मुख्य योगदान (Key Contributions)

क्वांटम उत्सर्जकों के लिए CS का प्रदर्शन: नाइट्रोजन-वैकेंसी (NV) केंद्रों के लिए विशेष रूप से कंप्रेसिव सेंसिंग इमेजिंग का पहला प्रायोगिक प्रदर्शन, जो रास्टर स्कैनिंग के स्थान पर रैंडम बाइनरी मास्क इल्यूमिनेशन का उपयोग करता है।
डेटा अधिग्रहण में महत्वपूर्ण कमी: पारंपरिक रास्टर स्कैनिंग के लिए आवश्यक मापों के केवल ~20% का उपयोग करके उच्च-निष्ठा (high-fidelity) छवि पुनर्निर्माण प्राप्त करना।
सहसंबंध-आधारित इमेजिंग (Correlation-Based Imaging): $g^{(2)}(0)$ के स्थानिक मानचित्रों के पुनर्निर्माण के लिए CS ढांचे का सैद्धांतिक और संख्यात्मक विस्तार, जो डेटा ओवरहेड को कम करते हुए सिंगल-फोटॉन स्रोतों की पहचान करने में सक्षम है।
सामान्यीकरण (Generalizability): यह विधि केवल स्थानिक विरलता (spatial sparsity) पर निर्भर करती है, जिससे यह NV केंद्रों से परे क्वांटम उत्सर्जकों के एक व्यापक वर्ग के लिए लागू होती है।

4. परिणाम (Results)

सिमुलेशन: विरल NV सेंटर वितरण के संख्यात्मक सिमुलेशन ने दिखाया कि CS एल्गोरिदम यथार्थवादी शोर मॉडलिंग (शॉट शोर, डिटेक्टर जिटर, डेड टाइम) के साथ भी, केवल 20% डेटा का उपयोग करके ग्राउंड-ट्रुथ इमेज को पूरी तरह से पुनर्गठित कर सकता है (100% कोरिलेशन)।
प्रायोगिक सत्यापन (तीव्रता):
- NV केंद्रों वाले नैनोडायमंड के नमूने का उपयोग करते हुए, टीम ने 20% मापन समय का उपयोग करके छवियों को पुनर्गठित किया।
- मेट्रिक्स: पुनर्गठित छवियों ने पूर्ण रास्टर-स्कैन किए गए संदर्भ की तुलना में 35 dB का पीक सिग्नल-टू-नॉइज़ रेशियो (PSNR) और 0.927 का पीयरसन कोरिलेशन कोएफिशिएंट प्राप्त किया।
- दक्षता: यह अधिग्रहण समय में 5-गुना कमी को दर्शाता है।
- सैंपलिंग थ्रेशोल्ड: प्रदर्शन मेट्रिक्स तेजी से संतृप्त (saturated) हुए, जो 20-30% जितने कम सैंपलिंग अनुपात पर भी विश्वसनीय रिकवरी दिखाते हैं।
सहसंबंध इमेजिंग (संख्यात्मक):
- सिमुलेशन ने प्रदर्शित किया कि संशोधित CS ढांचा $g^{(2)}(0)$ मानचित्रों को सटीक रूप से पुनर्गठित कर सकता है।
- एल्गोरिदम ने भारी अंडरसैंपलिंग के बावजूद सिंगल-फोटॉन उत्सर्जक स्थानों (परिभाषित $g^{(2)}(0) < 0.5$ ) की सही पहचान की, जो सहसंबंध-आधारित क्वांटम इमेजिंग की क्षमता को प्रमाणित करता है।

5. महत्व (Significance)

यह कार्य क्वांटम इमेजिंग की एक महत्वपूर्ण बाधा को संबोधित करता है: अधिग्रहण गति, फोटॉन बजट और स्थानिक रिज़ॉल्यूशन के बीच का ट्रेड-ऑफ।

फोटॉन दक्षता: मापन को मल्टीप्लेक्स करके, यह विधि प्रति फोटॉन प्राप्त सूचना को अधिकतम करती है, जो नाजुक या फोटॉन-सीमित नमूनों के लिए महत्वपूर्ण है।
गति: अधिग्रहण समय में 5x की कमी क्वांटम प्रणालियों के तेज़ लक्षण वर्णन और संभावित रूप से वास्तविक समय की निगरानी को सक्षम बनाती है।
स्केलेबिलिटी: दृष्टिकोण बड़े फील्ड ऑफ व्यू के लिए स्केलेबल है जहाँ रास्टर स्कैनिंग अत्यधिक धीमा हो जाता है।
भविष्य के अनुप्रयोग: कंप्रेसिव डेटा से सहसंबंध कार्यों ( $g^{(2)}(0)$ ) के पुनर्निर्माण की क्षमता पारंपरिक स्कैनिंग सहसंबंध मापों के बिना क्वांटम प्रकाश स्रोतों और एंटैंगलमेंट के लक्षण वर्णन के लिए नए रास्ते खोलती है। यह ढांचा अनुकूलन (optimization) के लिए एडैप्टिव ऑप्टिक्स और मशीन लर्निंग-एन्हांस्ड इल्यूमिनेशन पैटर्न के लिए भी अनुकूलनीय है।

1. समस्या विवरण (Problem Statement)

2. कार्यप्रणाली (Methodology)

3. मुख्य योगदान (Key Contributions)

4. परिणाम (Results)

5. महत्व (Significance)

इसी तरह के और पेपर